Quality of e-learners’ time and learning performance beyond quantitative time-on-task
Notice bibliographique
Résumé
Along with the amount of time spent learning (or time-on-task), the quality of learning time has a real influence on learning performance. Quality of time in online learning depends on students’ time availability and their willingness to devote quality cognitive time to learning activities. However, the quantity and quality of the time spent by adult e-learners on learning activities can be reduced by professional, family, and social commitments. Considering that the main time pattern followed by most adult e-learners is a professional one, it may be beneficial for online education programs to offer a certain degree of flexibility in instructional time that might allow adult learners to adjust their learning times to their professional constraints. However, using the time left over once professional and family requirements have been fulfilled could lead to a reduction in quality time for learning. This paper starts by introducing the concept of quality of learning time from an online student-centred perspective. The impact of students’ time-related variables (working hours, time-on-task engagement, time flexibility, time of day, day of week) is then analyzed according to individual and collaborative grades achieved during an online master’s degree program. The data show that both students’ time flexibility (<em>r</em> = .98) and especially their availability to learn in the morning are related to better grades in individual (<em>r</em> = .93) and collaborative activities (<em>r</em> = .46).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».